ElevenLabs v3 API: The Most Expressive Voice AI

ElevenLabs v3 API ช่วยให้นักพัฒนาเข้าถึง Eleven v3 ซึ่งเป็นโมเดล text-to-speech ที่ถ่ายทอดอารมณ์ได้ดีที่สุดของ ElevenLabs ผ่านโปรแกรมได้ โดยจะแปลงข้อความที่เขียนให้เป็นเสียงพูดคุณภาพระดับสตูดิโอที่เปี่ยมด้วยอารมณ์ในกว่า 70 ภาษา พร้อมรองรับ inline audio tags เพื่อควบคุมน้ำเสียงและการถ่ายทอดได้อย่างละเอียด บน Atlas Cloud โมเดลนี้ทำงานผ่านคีย์แบบ OpenAI-compatible เพียงคีย์เดียว พร้อมราคาจ่ายตามการใช้งานจริงที่โปร่งใส

Eleven v3 ถูกออกแบบมาเพื่อความลึกทางอารมณ์และการเข้าใจบริบท มากกว่าการเน้นความเร็วเพียงอย่างเดียว โมเดลอ่าน inline audio tags เช่น [whispers], [excited] และ [sighs] เพื่อกำหนดรูปแบบการแสดงเสียง และรองรับบทสนทนาหลายผู้พูดที่เปลี่ยนผ่านระหว่างตัวละครได้อย่างเป็นธรรมชาติ จุดเน้นนี้ทำให้เหมาะอย่างยิ่งกับงานเล่าเรื่องเชิงดราม่าและขับเคลื่อนด้วยตัวละคร ซึ่งรายละเอียดทางอารมณ์สำคัญกว่าความหน่วงระดับมิลลิวินาที

Eleven v3 รองรับมากกว่า 70 ภาษา ซึ่งเป็นขอบเขตภาษาที่กว้างที่สุดในบรรดาโมเดลเสียงพูดของ ElevenLabs ทั้งหมด ครอบคลุมภาษาที่ใช้กันแพร่หลาย เช่น English, Spanish, Mandarin Chinese, Hindi, Arabic, French, German, Japanese และ Korean คุณสามารถกำหนดอารมณ์และน้ำเสียงในแต่ละภาษาได้ด้วย syntax ของ audio tag แบบเดียวกัน

Audio tags คือคำสั่งที่อยู่ในวงเล็บเหลี่ยมและแทรกไว้ในข้อความโดยตรง ซึ่งโมเดลจะอ่านเป็นคำแนะนำด้านการแสดงเสียง มีตั้งแต่การกำกับอารมณ์ เช่น [excited] หรือ [whispers] ไปจนถึงปฏิกิริยาแบบไม่ใช้คำพูด เช่น [sighs], [laughs] และ [clapping] เพียงวางไว้ในบรรทัดเดียวกับข้อความตรงจุดที่ต้องการให้การพูดเปลี่ยนไป โมเดลก็จะปรับตามโดยไม่ต้องตั้งค่าเพิ่มเติม

สมัครใช้งาน สร้าง API key หนึ่งคีย์ แล้วส่ง request ไปยัง ElevenLabs v3 endpoint ด้วยรูปแบบ OpenAI-compatible คุณสามารถลองปรับ prompts และ audio tags ใน playground บนเบราว์เซอร์ก่อนเชื่อมต่อ call เข้ากับผลิตภัณฑ์ของคุณ ระบบคิดค่าบริการแบบจ่ายตามการใช้งานจริง ดังนั้นคุณจะถูกเรียกเก็บเฉพาะเสียงที่สร้างขึ้นจริงเท่านั้น เริ่มสร้างได้วันนี้

ได้ นอกจาก text-to-speech มาตรฐานแล้ว v3 ยังขับเคลื่อนความสามารถ Text to Dialogue ที่สร้างบทสนทนาธรรมชาติระหว่างผู้พูดหลายคนได้ในครั้งเดียว endpoint จะจัดการการเปลี่ยนผู้พูด การเปลี่ยนอารมณ์ และการพูดแทรกโดยอัตโนมัติ จึงเหมาะกับละครเสียง ฉากในเกม และบทสนทนาแบบมีผู้บรรยาย

Eleven v3 รับข้อความได้สูงสุด 5,000 อักขระต่อ request หนึ่งครั้ง หรือประมาณเสียงที่สร้างได้ราวห้านาที หากสคริปต์ยาวกว่านั้น ให้แบ่งเป็น request ต่อเนื่องกันแล้วนำเสียงที่ได้รับกลับมาต่อเข้าด้วยกัน การจำกัดแต่ละ request ให้อยู่ในขอบเขตยังช่วยให้คุณจัดการจังหวะการเล่าและการ retry ได้อย่างเป็นระเบียบ

ไม่รองรับ Eleven v3 ให้ความสำคัญกับคุณภาพมากกว่าความเร็ว จึงไม่มี real-time WebSocket streaming แบบที่ ElevenLabs Flash มี การประมวลผลที่หนักขึ้นเพื่อรองรับช่วงอารมณ์ที่หลากหลายทำให้มี latency เพิ่มขึ้น จึงเหมาะกับงานที่ render ไว้ล่วงหน้า เช่น audiobooks, dubbing และ voiceovers มากกว่า live voice agents

Atlas Cloud คิดราคาโมเดลแบบจ่ายตามการใช้งานจริงอย่างโปร่งใส คุณจึงถูกเรียกเก็บเงินต่อ call โดยไม่มีค่าสมัครสมาชิกหรือข้อผูกมัดขั้นต่ำ ค่าใช้จ่ายจะปรับตามปริมาณเสียงที่คุณสร้าง ทำให้การทดลองขนาดเล็กมีต้นทุนต่ำ และงานปริมาณมากคาดการณ์ค่าใช้จ่ายได้ง่าย เริ่มวันนี้